Guida degli insegnamenti

Syllabus

Partially translatedTradotto parzialmente
[3I094] - TEORIA DEI SEGNALISIGNAL THEORY
Franco CHIARALUCE
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea - [IT02] INGEGNERIA BIOMEDICA First Cycle Degree (3 years) - [IT02] BIOMEDICAL ENGINEERING
Anno di corsoDegree programme year : 3 - Primo Semestre
Anno offertaAcademic year: 2018-2019
Anno regolamentoAnno regolamento: 2016-2017
Crediti: 6
Ore di lezioneTeaching hours: 48
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: ING-INF/03 - TELECOMUNICAZIONI

LINGUA INSEGNAMENTO LANGUAGE

Italiano

Italian


PREREQUISITI PREREQUISITES

Il Corso richiede la conoscenza dei concetti base del calcolo integrale e differenziale.

The Course requires the knowledge of the basic concepts of the integral and differential calculus.


MODALITÀ DI SVOLGIMENTO DEL CORSO DEVELOPMENT OF THE COURSE

• Lezioni frontali, 40 ore
• Esercitazioni software, 8 ore

• Classroom lessons, 40 hours
• Software exercises, 8 hours


RISULTATI DI APPRENDIMENTO ATTESI LEARNING OUTCOMES
Conoscenze e comprensione.

L’insegnamento mira a far conoscere e comprendere gli elementi di base per la descrizione e la caratterizzazione dei segnali, sia determinati che aleatori, e le problematiche che si pongono nella loro elaborazione. Saper applicare, in contesti specifici, le tecniche di analisi acquisite, con particolare riferimento alla rappresentazione in frequenza e all’uso degli strumenti di base del calcolo probabilistico.


Capacità di applicare conoscenze e comprensione.

Al fine di modellizzare correttamente i segnali (in particolare quelli di interesse nell'ambito delle telecomunicazioni e della biomedica) lo studente dovrà saper utilizzare correttamente gli strumenti teorici e software preposti alla loro analisi ed elaborazione. Tale capacità si estrinsecherà attraverso una serie di abilità quali: 1) la capacità di descrivere, negli appropriati domini, un segnale assegnato e di estrarne i parametri fondamentali; 2) la capacità di valutare l’entità della modifica che il segnale subisce a seguito di manipolazioni controllate o incontrollate; 3) la capacità di utilizzare strumenti software, come Matlab, per la descrizione automatica del segnale stesso. Le competenze relative all’utilizzo di Matlab verranno acquisite tramite esercitazioni specifiche in aula, complementari alle lezioni frontali.


Competenze trasversali.

Capacità di utilizzare gli strumenti della matematica classica (trasformata di Fourier, calcolo probabilistico, ecc.) in contesti applicativi diversi. Capacità di utilizzare strumenti software adattabili ad altri contesti (come Matlab). Capacità di discutere criticamente i risultati ottenuti sulla base del confronto tra dato numerico e aspettativa qualitativa. Capacità di presentare in modo chiaro e conciso il risultato del proprio studio e della propria elaborazione.


Knowledge and Understanding.

To know and understand the basic elements for the description and characterization of signals, both deterministic and random, and the problems related with their processing. To be able to apply, in specific scenarios, the techniques learned, with special focus on the representation of signals in the frequency domain and the usage of basic instruments of the probabilistic calculus.


Capacity to apply Knowledge and Understanding.

In order to correctly model the signals of interest (in particular, those of interest in telecommunication and biomedical systems) the student shall be able to use properly the theoretical and software tools developed for signal analysis and processing. Such a capacity will become evident through some specific abilities that the student shall show, like: 1) the capacity to describe, in suitable domains, an assigned signal and to extract its fundamental features; 2) the capacity to evaluate quantitatively the changes that the signal suffers because of controlled or uncontrolled manipulations; 3) the capacity to use software tools, like Matlab, for the automatic description of the signal. The skills relative to the usage of Matlab will be acquired by the student through specific exercises in the classroom, complementary to the traditional lectures.


Transversal Skills.

Capacity to use the tools of classic maths (Fourier transform, probabilistic calculus, etc.) in different application environments. Capacity to use software tools adaptable to different contexts (like Matlab). Capacity to discuss with criticism the results obtained on the basis of a comparison between the numerical data and the intuitive expectations. Capacity to present in a concise and clear way the results of his study and elaboration.



PROGRAMMA PROGRAM

Lezioni frontali:
- Classificazione dei segnali: segnali determinati e segnali aleatori. Rappresentazione nel dominio del tempo. Esempi di segnali. Dicretizzazione dell’asse delle ampiezze dell’asse dei tempi. Delta di Dirac e sue proprietà.
- Rappresentazione dei segnali nel dominio della frequenza: segnali periodici a tempo continuo e segnali aperiodici a tempo continuo. Sviluppo in serie e Trasformata di Fourier. Proprietà della rappresentazione. Convoluzione. Grandezze caratteristiche: valore medio, energia e potenza. Spettro di energia e spettro di potenza. Teorema di Parseval.
- Sistemi monodimensionali lineari a tempo continuo: risposta impulsiva, funzione di trasferimento e condizioni di non distorsione lineare. Interferenza di intersimbolo. Filtri ed equalizzatori. Dipendenza della distorsione dalle proprietà spettrali. Cammini multipli. Cenni alla distorsione non lineare. Filtri a coseno rialzato e condizione di Nyquist.
- Teorema del campionamento: campionamento ideale, naturale e istantaneo. Descrizione del segnale campionato nel dominio del tempo e nel dominio della frequenza. Effetti del campionamento istantaneo. Equalizzazione della distorsione. Formato PCM e sue proprietà. Esempi di frequenza di cifra per segnali di pratico interesse (voce, musica, video).
- Altre Trasformate. Trasformata di Hilbert. Condizioni di Hilbert trasformabilità. Antitrasformata di Hilbert. Condizione di fisica realizzabilità. Esempi di trasformate di Hilbert.
- Richiami di teoria delle variabili aleatorie. Definizione di probabilità. Funzione di ripartizione e densità di probabilità. Medie d’insieme: valore medio e varianza. Funzione caratteristica. Trasformazione di variabile aleatoria. Coppie di variabili aleatorie. Funzioni e momenti congiunti. Somma di variabili aleatorie. Variabili aleatorie Gaussiane miste. Esempi di variabili aleatorie. Teorema limite centrale.
- Processi stocastici stazionari ed ergodici. Variabili aleatorie estratte dal processo. Medie statistiche e medie temporali. Spettro di potenza. Autocorrelazione. Teorema di Wiener-Khintchine. Segnali ciclo-stazionari. Teorema di Wiener-Khintchine generalizzato. Segnale binario semi-casuale e segnale binario completamente casuale. Rumore termico. Canale AWGN. Correzione quantistica.
Esercitazioni software:
- Software Matlab per la rappresentazione e caratterizzazione dei segnali.

Classroom lessons:
- Signal classification: deterministic signals and random signals. Representation in the time domain. Dicretization of the of the amplitude and time axis. Dirac delta function and its properties.
- Representation of signals in the frequency domain: continuous time periodic signals and continuous time aperiodic signals. Fourier series and Transform. Properties of the representation. Convolution. Typical parameters: mean, energy and power. Energy spectrum and power spectrum. Parseval theorem.
- Linear continuous time monodimensional systems: impulse response, transfer function and linear non distortion conditions. Intersymbol interference. Filters and equalizers. Distortion dependence on the spectral features. Multipaths. Outline of non linear distortion. Raised cosine filters and Nyquist condition.
- Sampling theorem: ideal, natural and instantaneous sampling. Description of the sampled signal in the time domain and in the frequency domain. Impact of instantaneous sampling. Ditortion equalization. PCM format and its properties. Examples of bit rates for signals of practical interest (e.g., voice, music, video).
- Other transforms. Hilbert Transform. Applicability of Hilbert Transform. Hilbert reverse Transform. Physical realizability condition. Examples of Hilbert Transforms.
- Random variables theory. Probability definition. Cumulative distribution function and probability density function. Statistical indicators: mean and variance. Characteristic function. Transformation of random variable. Pairs of random variables. Joint functions and statistical averages. Sum of random variables. Mixed Gaussian random variables. Examples of random variables. Central limit theorem.
- Stationary and ergodic processes. Random variables extracted from the process. Statistical averages and time averages. Autocorrelation. Power spectrum. Wiener-Khintchine Theorem. Cyclo-stationary signals. Generalized Wiener-Khintchine Theorem. Semi-random binary signal and completely random binary signal. Thermal noise. AWGN channel. Quantistic correction.

Software exercises:
- Matlab software for the representation and characterization of signals.


MODALITÀ DI SVOLGIMENTO DELL'ESAME DEVELOPMENT OF THE EXAMINATION
Modalità di valutazione dell'apprendimento.

La valutazione del livello di apprendimento dello studente si articola in due prove: - Una prova scritta, consistente nella soluzione di un esercizio numerico, da completare in circa 40 minuti. - Una prova orale, consistente nella discussione su due o più temi trattati nel corso e nel riesame critico di eventuali errori commessi nella prova scritta. La prova scritta è propedeutica alla prova orale, per accedere alla quale lo studente deve aver ottenuto almeno la sufficienza nella prova scritta. La prova orale deve essere sostenuta, preferibilmente, nello stesso appello della prova scritta. Deroghe a questa regola sono possibili, ma devono essere concordate con il docente prima dell'inizio della prova scritta. Nel caso di esito negativo per la prova orale, lo studente può mantenere lo scritto, ovvero ripeterlo, se lo preferisce. La comunicazione sull'opzione scelta deve essere fornita al docente prima dell'inizio della nuova sessione d'esame cui lo studente intende partecipare.


Criteri di valutazione dell'apprendimento.

La valutazione dell'apprendimento si basa sulla verifica, attraverso le prove d'esame, che lo studente abbia acquisito un sufficiente livello di comprensione ed un'adeguata capacità di utilizzo dei concetti esposti nell'ambito del corso, sia per quanto riguarda i fondamenti teorici che la loro applicazione per risolvere problemi numerici specifici.


Criteri di misurazione dell'apprendimento.

Durante le prove d'esame, viene valutata la capacità dello studente di modellizzare correttamente i segnali e di utilizzare correttamente gli strumenti teorici e software preposti alla loro analisi ed elaborazione. Per la prova scritta, il docente assegna, in funzione della qualità dell'elaborato, un giudizio: insufficiente, sufficiente, discreto, buono, molto buono, ottimo. Lo studente non viene ammesso all'orale se ha ottenuto un giudizio insufficiente. Ognuno dei giudizi positivi, e per i quali lo studente è ammesso all'orale, consente il raggiungimento del punteggio massimo (trenta, con eventuale dichiarazione di lode) se lo studente saprà dimostrare che le eventuali lacune riscontrate nello scritto non corrispondono ad effettive mancanze nella preparazione. Il voto complessivo, in trentesimi, è il risultato della valutazione globale che il docente assegnerà a quanto espresso dallo studente nel contesto delle due prove.


Criteri di attribuzione del voto finale.

Perché l'esito complessivo della valutazione sia positivo, lo studente deve conseguire almeno la sufficienza nella prova scritta e dimostrare un'idonea preparazione nella prova orale. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti del corso nell'ambito delle prove. La lode è riservata agli studenti che abbiano dimostrato una particolare brillantezza nell'esposizione orale, tale da compensare in modo eccellente anche eventuali lacune nella redazione dell'elaborato scritto.


Learning Evaluation Methods.

The evaluation of the learning level is organized in two tests: - A written test, consisting in the solution of one numerical exercise, to be completed in approximately 40 minutes. - An oral test, consisting in the discussion of two or more topics of the course and the critical review of possible mistakes made in the written test. The written test is propaedeutic to the oral test, in the sense that the student is admitted to the oral test only if she/he has received a sufficient evaluation in the written test. The oral test should be stood, preferably, in the same session of the written test. Deviations from this rule are possible, but must be agreed with the teacher before starting the written test. In case of negative evaluation of the oral test, the student can decide to retain the result of the written test or to repeat it in the subsequent sessions. The chosen option must be communicated to the teacher before starting the new exam session the student wishes to attend.


Learning Evaluation Criteria.

Learning evaluation is based on the verification, through the tests, that the student has acquired a sufficient level of understanding and a suitable capacity of employing the topics presented throughout the course, as regards both the theoretical foundations and their application in order to solve specific numerical problems.


Learning Measurement Criteria.

During the exam tests, the teacher evaluates the capacity of the student to model correctly the signals and to use properly the theoretical and software tools developed for signal analysis and processing. For the written test, the teacher assigns a mark that, as a function of the quality of the paper, can be: not sufficient, sufficient, fair, good, very good, excellent. The student is non admitted to the oral test if her/his mark is not sufficient. Any positive mark (sufficent or more), by which the student has been admitted to the oral test, permits the student to reach the maximum final mark (thirty, cum laude if applicable) if she/he is able to demonstrate that the gaps shown in the written test do not correspond to real deficiencies in the preparation. The final mark, in thirtieths, is the result of the global evluation on the oral and written tests.


Final Mark Allocation Criteria.

In order to pass the exam, the student must reach at least a sufficient mark in the written test and show an adequate preparation in the oral test. The maximum mark is reached by showing a deep knowledge of the course topics throughout the tests. Laude is reserved to those students who are particularly brilliant in the oral test, even able to compensate in an excellent way possible gaps emerged in the written test.



TESTI CONSIGLIATI RECOMMENDED READING

1. Dispense a cura del docente, reperibili dalla piattaforma Moodle di Ateneo (https://learn.univpm.it/course/view.php?id=7000). 2. Marco Luise, Giorgio M. Vitetta, “Teoria dei Segnali”, Terza Edizione, McGraw-Hill, 2009.

1. Set of lectures provided by the teacher, that can be found in the university Moodle platform (https://learn.univpm.it/course/view.php?id=7000). 2. Marco Luise, Giorgio M. Vitetta, “Teoria dei Segnali”, Terza Edizione, McGraw-Hill, 2009.


E-LEARNING E-LEARNING

No

No


Scheda insegnamento erogato nell’A.A. 2018-2019
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento.
Academic year 2018-2019

 


Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427